Enhancing Sampling Protocol for Point Cloud Classification Against Corruptions

要約

3次元点群学習のための確立されたサンプリングプロトコル、例えば最遠点サンプリング（FPS）や固定サンプルサイズ（FSS）は、長い間信頼されてきた。しかし、実世界のデータはセンサーノイズのような破損に悩まされることが多く、現在のプロトコルの良性データの仮定に反する。その結果、これらのプロトコルはノイズに対して非常に脆弱であり、自律走行のような重要なアプリケーションにおいて重大な安全リスクをもたらす。これらの問題に対処するために、我々は点群破損に対する頑健性を向上させるように設計された拡張点群サンプリングプロトコルPointSPを提案する。PointSPは、外れ値の感度を緩和し、代表点の選択を確実にするために、キーポイントの再重みを組み込んでいる。また、ローカル-グローバルバランスダウンサンプリング戦略を導入し、幾何学的な一貫性を維持しながら、スケーラブルで適応的なサンプリングを可能にしています。さらに、点群の密度を高めながら局所的な形状を保持するために、軽量の接平面補間法を用いる。モデルの追加学習を必要とする学習ベースのアプローチとは異なり、PointSPはアーキテクチャにとらわれず、ネットワークの追加学習や修正を必要としません。そのため、既存のパイプラインにシームレスに統合することができる。合成データセットと実世界の破損データセットを用いた広範な実験により、PointSPは点群分類のロバスト性と精度を大幅に向上させ、複数のベンチマークにおいて最先端の手法を凌駕することが示された。

要約(オリジナル)

Established sampling protocols for 3D point cloud learning, such as Farthest Point Sampling (FPS) and Fixed Sample Size (FSS), have long been relied upon. However, real-world data often suffer from corruptions, such as sensor noise, which violates the benign data assumption in current protocols. As a result, these protocols are highly vulnerable to noise, posing significant safety risks in critical applications like autonomous driving. To address these issues, we propose an enhanced point cloud sampling protocol, PointSP, designed to improve robustness against point cloud corruptions. PointSP incorporates key point reweighting to mitigate outlier sensitivity and ensure the selection of representative points. It also introduces a local-global balanced downsampling strategy, which allows for scalable and adaptive sampling while maintaining geometric consistency. Additionally, a lightweight tangent plane interpolation method is used to preserve local geometry while enhancing the density of the point cloud. Unlike learning-based approaches that require additional model training, PointSP is architecture-agnostic, requiring no extra learning or modification to the network. This enables seamless integration into existing pipelines. Extensive experiments on synthetic and real-world corrupted datasets show that PointSP significantly improves the robustness and accuracy of point cloud classification, outperforming state-of-the-art methods across multiple benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL